从食物中的凝胶到我们体内的组织，软物质拥有一种独特的记忆。与那种在释放时立即弹回的简单弹簧不同，这些物质会“记住”它们过去是如何发生形变的。它们在任何给定时刻感受到的应力，不仅取决于其当前的形状，还取决于它们之前被拉伸或挤压的整个历史。这种遗传行为是预测此类材料在现实世界条件下表现的关键，然而测量这一行为在传统上是一个缓慢且繁琐的过程。科学家通常通过在特定频率下摇动这些材料来探测它们，等待信号稳定后，再移动到下一个频率。为了绘制出材料的完整行为图谱，这一过程可能需要数小时，而对于那些在测量过程中正在发生变化或老化的材料来说，这个时间框架往往过长。此外，分析数据的标准方法涉及将数千个原始测量值压缩成几个总结数字，这一步骤不可避免地丢弃了大量的有效信息，并可能引入误差。
芬兰阿尔托大学的一个研究小组开发了一种新方法来绕过这些限制，使他们能够通过单次快速实验直接读取材料的记忆。他们不再是在一个频率下摇动材料，而是使用一种“啁啾”（chirp）信号——一种在短短几秒钟内连续扫过广泛频率范围的应变。这种方法产生了一个密集的数据流，在过去收集少量数据点所需的时间内，捕捉到了数千个应力和应变对。研究人员随后将一种被称为“物理信息高斯过程”的高级统计框架应用于这些原始数据。该方法并非先将数据转换为频率总结，而是利用基本的物理定律直接解释时域记录。它将材料的记忆视为一组构建模块，通过测试不同的数学形状，观察哪一种最能解释观察到的应力。通过这种方式，该方法识别出了材料特定的记忆规则，并在无需预先丢弃原始数据或预设特定模型的情况下，量化了这些规则的不确定性。
研究人员在几种不同的软物质上测试了这种方法，每种材料都提出了独特的挑战。在一次实验中，他们分析了一种蠕虫状胶束溶液，这类软物质通常表现为具有单一松弛时间的简单流体。标准方法需要进行长时间的频率扫描来确认这一点，但新的框架仅通过两秒钟的啁啾信号就完成了分析。数据足以精准定位材料的单一松弛时间，并证实其行为几乎完全符合经典流体，仅存在微小且可测量的偏差，而该方法能够以极高的精度检测到这一点。研究人员还证明，从这短短一次信号中学习到的模型不仅仅是在记忆特定的信号。当他们将训练好的模型应用于一个起始相位和频率范围完全不同的、更长的啁啾信号时，它准确地预测了材料的响应，包括在原始短实验从未触及的频率下的行为。这证明了该系统学习到的是控制材料的真实物理定律，而非仅仅是特定测试信号的模式。
当处理具有噪声或复杂性的材料时，该方法的威力变得更加显著。在一项关于纤维素纳米纤维水凝胶的研究中，数据比胶束实验中的噪声显著更高，而在这种情况下，传统的分析方法往往会失效。新的框架成功地从噪声中提取出了清晰的、无标度的记忆模式，其结果与耗时长达六十倍的常规测量结果相匹配。在另一个涉及光聚合树脂的测试中，材料表现出两种机制同时作用的特征：一个永久性的弹性网络和一个耗散的类流体部分。该方法能够在单次时间轨迹内分离出这两部分贡献，量化来自每种机制的应力占比，并提供关于材料内部结构的清晰图像。最后，研究人员利用该技术实时观察材料的变化。通过分析一种紫外线固化丙烯酸酯，他们检测到了材料违反时间不变性的现象，观察到粘度在单次啁啾实验过程中随着材料硬化而稳步上升。这使得他们能够在时域内直接追踪化学变化的开始，而无需预设关于固化过程行为的模型。
通过将原始时域记录视为主要的真相来源，这种方法改变了科学家理解软物质的方式。它用单次、统一的推理问题取代了缓慢、分步的谱估计和模型拟合过程。结果表明，这种方法更快、对噪声更具鲁棒性，并且能够揭示那些此前难以获取或需要极长测量时间才能发现的材料特性。它提供了一种以前无法实现的、清晰观察软物质记忆的方法，将数秒钟的实验数据转化为一张详细的地图，描绘出材料如何铭记其过去。
技术摘要：通过物理信息高斯过程从扫频流变实验中直接推断粘弹性记忆
问题陈述
软物质表现出粘弹性行为，其应力由整个变形历史的加权积分决定，而非瞬时应变。识别这种“记忆”对于预测材料在实际负载下的行为至关重要。标准的流变学方法——小振幅振荡剪切（SAOS）虽然具有可重复性，但存在两个实际局限：（1）全频率扫描耗时较长（数分钟至数小时），不适用于凝胶化或老化等演化系统；（2）本构推断发生在频谱估计（傅里叶变换）之后，这意味着在信号缩减过程中引入的噪声和有限窗口伪影会不可逆地传播到拟合模型中。
扫频流变学（Chirp rheometry）提供了一种解决方案，它将数小时的测量压缩至数秒内，生成密集的时域数据（103–104 个应力-应变对）。然而，针对扫频数据的标准分析流程模仿了 SAOS：通过对密集的序列进行加窗和傅里叶变换来估计储能模量（G′）和损耗模量（G′′），随后再拟合本构模型。这一过程丢弃了大部分已测量的信息，造成了“推断瓶颈”，即频谱估计中的偏差限制了所恢复本构律的准确性。此外，流变学中现有的机器学习方法通常缺乏泛化能力；在特定波形上训练的模型往往无法预测不同变形协议下的响应，因为它们学习的是波形特定的映射，而非内在的材料属性。
方法论
作者提出了一种物理信息高 Gaussian 过程（GP）框架，该框架在时域内执行直接概率本构推断，绕过了中间的频谱估计步骤。
物理信息特征构建： 该框架将玻尔兹曼叠加原理直接嵌入到 GP 的输入空间中。该框架并非使用原始时间坐标，而是将输入特征构建为测得的应变率历史（γ˙）与候选记忆核（ϕi）的因果卷积。
σ(t)=i=1∑ncixi(t;κ)
其中 xi(t)=∫0tϕi(t−t′;κ)γ˙(t′)dt′。这里 κ 代表形状参数（例如弛豫时间、分数指数），而 ci 是标量前因子（例如模量、粘度）。
高斯过程回归： 在这些工程化特征到测得应力的映射上分配一个 GP。
- 线性核： 对于处于线性粘弹性区域的材料，使用线性核。这使得 GP 等效于特征空间中的贝叶斯线性回归，其中后验灵敏度（∂σˉ/∂xi）直接得出本构前因子（ci）。
- RBF 核： 对于无法假设线性或时间平移不变性的情况（例如变化的材料），径向基函数（RBF）核允许非线性应力-特征映射。GP 预测对特征的时间分辨灵敏度可作为材料演化的诊断工具。
模型选择与训练： 该框架通过最大化证据下界（ELBO）对所有参数（形状参数 κ 和 GP 超参数）进行联合训练。通过直接从原始时域数据计算的 Akaike（AIC）和 Bayesian（BIC）信息准则，在候选本构律（如 Maxwell、Fractional Maxwell、Scott Blair、Fractional Kelvin-Voigt）之间进行模型选择。
关键结果
该框架在五种不同的实验场景中得到了验证：
蠕动粘虫状胶束中的 Maxwell 记忆： 对蠕动粘虫状胶束溶液应用 2 秒的扫频，该方法选择了分数 Maxwell 流体（FML）模型，而非经典的 Maxwell 及其他分数变体。它恢复了弛豫时间（τc≈1.49 s）和分数指数（β≈0.014），该指数使其接近 Maxwell 极限。至关重要的是，该模型推断出的特征频率（ωc≈0.67 rad/s）位于训练扫频的激发频率带宽之外，展示了超越训练窗口进行外推的能力。
协议独立性： 一个基于 2 秒扫频训练的 GP 被用于测试一个具有不同带宽、持续时间和初始相位的 14 秒独立扫频。训练后的 GP 以极高的精度预测了应力响应（RMSE 与训练拟合相当），并正确解析了终端交叉频率，证实了该方法学习的是本构律而非特定波形的映射。
临界凝胶中的无标度记忆： 在对纤维素纳米纤维水凝胶进行的带有噪声的 7 秒扫频中，该方法恢复了 Scott Blair（临界凝胶）记忆核。它实现了决定系数（R2=0.863），并识别出的分数指数（α≈0.063）及准属性（V）与 451 秒离散频率扫描的结果一致，尽管扫频数据短两个数量级且噪声显著更高。
光聚合树脂中的应力分配： 对于以 Fractional Kelvin-Voigt (FKV) 模型建模的光聚合树脂，该框架成功将应力响应分解为两个并行的记忆特征（准弹性网络和幂律耗散分支）。它量化了这种分解的不确定性，并解析出网络分支中一个微弱的幂律弛豫，而标准的傅里叶分析由于噪声原因未能捕捉到这一点。
材料突变的检测： 在应用于紫外线固化丙烯酸酯系统时，该框架利用 RBF 核检测了时间平移不变性的破坏。GP 预测对记忆特征（解释为动力粘度）的时间分辨灵敏度显示出 +8.1% 的单次扫频内单调增加，直接捕捉到了材料突变（交联）的开始，而无需预设动力学模型。随后对同一材料在后期固化阶段进行的对照测量显示不存在此类漂移。
意义与主张
本文声称，通过将原本的“频谱估计后进行本构拟合”序列替换为直接在原始时域数据上进行的单一物理信息概率推断问题，解决了标准扫频分析的局限性。
- 直接推断： 该方法推断的是记忆核（一种本构属性）而非特定的波形，从而能够在无需重新训练的情况下，对未观察到的变形历史进行预测。
- 对噪声和短时长的鲁棒性： 通过利用高密度的时域数据，该框架可以从常规傅里叶方法失效或产生稀疏、多伪影估计的短时或高噪声记录中恢复本构参数。
- 不确定性量化： 概率公式为所有推断参数（模量、指数、弛后时间）提供了量化的不确定性，并允许在本构特征与观测噪声之间进行方差分解。
- 无模型诊断： 时间分辨灵敏度可作为检测非平稳性（材料演化）和非线性的诊断工具，提供协议无关的结构变化指纹。
作者总结道，这种方法确立了物理信息特征构建是实现流变学中可泛化机器学习的一种途径，能够直接从单次短实验的输出中处理模型选择、具备不确定性意识的参数估计以及基于证据的假设检验。
每周获取最佳 condensed matter 论文。
受到斯坦福、剑桥和法国科学院研究人员的信赖。
请查收邮箱确认订阅。
出了点问题，再试一次？
无垃圾邮件，随时退订。